（电力系统及其自动化专业论文）电力负荷预测评估分析算法研究及其应用.pdf

s t u d yo fp o w e rl o a df o r e c a s t i n ga s s e s s m e n t a n di t sa p p l i c a t i o n b y c h e nj i n p a n b e ( h u n a nu n i v e r s i t y ) 2 0 0 8 at h e s i ss u b m i t t e di np a r t i a ls a t i s f a c t i o no ft h e r e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro fe n g i n e e r i n g l n e l e c t r i c a lp o w e rs y s t e ma n di t sa u t o m a t i o n i nt h e g r a d u a t es c h o o l o f hu n a nu n i v e r s i t y s u p e r v i s o r p r o f e s s o rl u od i a n s h e n g a p r i l ，2 0 ll 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 作者签名：呷错 日期：力口年r 月- 9 7 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意 学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文 被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编 入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇 编本学位论文。 本学位论文属于 l 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打“”) 作者签名： 导师签名： 俘错 日期：2 矽1 1 年f 月万日 日期：p j年j _ 月日 电力负荷预测评估分析算法研究及其应用 摘要 负荷预测是电力系统运行中的重要组成部分，对电力系统规划和设计，电力 系统安全、可靠、经济运行，电力市场交易等多个方面起着重要的作用。在当前 节能减排的特殊背景下，电力企业对电力负荷预测的预测精度提出更高的要求。 考虑到电力负荷的随机性和特殊性，电力负荷预测模型或预测结果的评估分析是 提高负荷预测精度的有效途径。 本文对负荷预测预前评估分析方法、负荷预测预后评估分析方法及两者相结 合的评估分析方法分别进行了研究。 论文研究了基于元学习的预前评估分析算法，该算法将元学习思想引入到预 前评估分析中，其目的是负荷预测前根据负荷序列特征属性和单一模型的预测值 作为元知识对单一模型进行合理评价，将评价结果应用于负荷预测。算例结果表 明该算法预测精度较高，具有实际应用价值。 论文研究了基于虚拟预测的总调与地调负荷的关系评估分析、基于k 线图的 负荷特性评估分析、基于概率性预测的预后评估分析和电力负荷模糊聚类评估分 析四种预后评估分析方法。四种方法的的定量和定性结论均为负荷预测精度的提 高提供了有益参考。 鉴于组合预测思路，论文结合预前评估和预后评估，研究了两者综合的组合 预测模型，该模型充分利用预前评估和预后评估模型的优势，构成“前后呼应 的预测模式。结果分析表明该模型负荷预测精度高于预前评估模型和常用组合模 预测型，且保证了负荷预测的自适应性和鲁棒性。 本文在系统研究负荷预测预前评估和顸后评估分析方法的基础上，开发了一 套负荷预测评估分析算法库。该库已经在湖南电网挂网运行，运行结果表明该套 算法库适应湖南电网的负荷发展需要，对湖南电网负荷预测具有指导意义。 关键词：负荷预测；负荷预测评估；预前评估；预后评估；组合预测 硕：t 学位论文 a b s t r a c t p o w e rl o a df o r e c a s t i n gi sa ni m p o r t a n tp a r to ft h eo p e r a t i o no fe l e c t r i cp o w e r s y s t e m ，a n dp l a y sak e yr o l ei ni t sp l a n n i n g ，d e s i g n i n g ，s e c u r i t y ，r e l i a b i l i t y , e c o n o m y o fo p e r a t i o na n dm a r k e tt r a d e u n d e rt h es p e c i a lb a c k g r o u n do fs a v i n ge n e r g ya n d r e d u c i n ge m i s s i o n s ，p o w e re n t e r p r i s e sp u tf o r w a r dh i g h e rr e q u i r e m e n tf o rp o w e r l o a df o r e c a s t i n gp r e c i s i o n i nc o n s i d e r a t i o no ft h er a n d o m n e s sa n dp a r t i c u l a r i t yo f p o w e rl o a d ，p o w e rl o a df o r e c a s t i n gm o d e l so ra n a l y s i so fl o a df o r e c a s t i n gr e s u l t sa r e t h ee f f e c t i v ew a y so fi m p r o v i n gp r e c i s i o no fl o a df o r e c a s t i n g t h ep r i o ra s s e s s m e n t ，t h ep o s t f a c ta s s e s s m e n t ，a n dt h ec o m b i n a t i o no ft h et w o a b o v ew i l lb ee x p l o r e dr e s p e c t i v e l yi nt h i st h e s i s ap r i o ra s s e s s m e n t a l g o r i t h mb a s e d o n m e t a l e a r n i n g i sr e s e a r c h e d t h i s a l g o r i t h mi n t r o d u c e st h ei d e ao fm e t a l e a r n i n gt ot h ep r i o ra s s e s s m e n t ，a i m i n ga t u s i n gt h ef o r e c a s t e dv a l u e so nt h eb a s i so ff e a t u r ea t t r i b u t e so fl o a ds e q u e n c ea n d s i n g l em o d e l sa sm e t a - l e a r n i n gt oe v a l u a t er e a s o n a b l yt h es i n g l em o d e l sb e f o r el o a d f o r e c a s t i n g ，f r o mw h i c ht h er e s u l t sa r ea p p l i e dt ol o a df o r e c a s t i n g t h ea n a l y t i c a l r e s u l t ss h o wt h a tt h ef o r e c a s t i n gp r e c i s i o no ft h i sa l g o r i t h mi sh i g h e r ，h a v i n gm o r e p r a c t i c a lv a l u e t h ea s s e s s m e n to fr e l a t i o nb e t w e e nt o t a lt r a n s f o r m a t i o na n dl o c a lt r a n s f o r m a t i o no fp o w e rl o a db a s e do nv i r t u a lp r e d i c t i o n ，t h el o a dp r o p e r t ya s s e s s m e n tb a s e do n kd i a g r a m ，t h ep o s t - f a c ta s s e s s m e n to fp r o b a b i l i t yf o r e c a s t i n ga n df u z z yc l u s t e r i n g a n a l y s i so fp o w e rl o a da r es t u d i e d t h eq u a n t i t a t i v ec o n c l u s i o n sf r o mt h e s ef o u r a l g o r i t h m so f f e rt h el o a df o r e c a s t i n gp r e c i s i o nu s e f u lr e f e r e n c e s t h i sp a p e rd i s c u s s e st h ec o m b i n e d f o r e c a s t i n gm o d e li n t e g r a t i n gt h ep r i o r a s s e s s m e n ta n dt h ep o s t - f a c ta s s e s s m e n t ，c o n s i d e r i n gt h ec o m b i n e df o r e c a s t i n g t h i s m o d e lt a k e sa d v a n t a g eo ft h ep r i o ra s s e s s m e n ta n dt h ep o s t f a c ta s s e s s m e n tt of o r ma f o r e a n d a f tc o m b i n e dm o d e l t h er e s u l t sf r o mt h i sm o d e li n d i c a t et h a ti t s f o r e c a s t i n gp r e c i s i o ni sh i g h e rt h a nt h ep r i o ra s s e s s m e n ta n dc o m m o nc o m b i n e d m o d e l sa n de n s u r et h ea d a p t i v i t ya n dr o b u s t n e s so fl o a df o r e c a s t i n g o nt h eb a s i so fr e s e a r c h i n gt h ep r i o ra s s e s s m e n ta n dp o s t - f a c ta s s e s s m e n to f l o a df o r e c a s t i n gs y s t e m a t i c a l l y ，t h i st h e s i sd e v e l o p sa na l g o r i t h m sl i b r a r yf o rl o a d f o r e c a s t i n ga s s e s s m e n t t h i sl i b r a r yh a sb e e no p e r a t i n gi nh u n a np o w e rg r i da n dt h e o p e r a t i o n a l r e s u l t sm a n i f e s tt h a tt h e a l g o r i t h m m e e t st h ed e m a n do ft h el o a d b i 电力负荷预测评估分析算法研究及其应用 _ _ _ _ _ _ l d e v e l o p m e n ti nh u m a ne l e c t r i cp o w e rg r i da n dh a v ec e r t a i nd i r e c t i n gm e a n i n g s t o w a r dt h el o a df o r e c a s t i n go fh u n a ne l e c t r i c i t yn e t w o r k k e yw o r d s ：l o a df o r e c a s t i n g ；l o a df o r e c a s t i n ga s s e s s m e n t ；p r i o ra s s e s s m e n t ； p o s t - f a c ta s s e s s m e n t ；c o m b i n e df o r e c a s t i n g ； i v 硕十学位论文 目录 学位论文原创性声明和学位论文版权使用授权书i 摘要i i a b s t r a c t i i i 目录v 插图索引v i i i 第l 章绪论1 1 1 课题的背景及意义一1 1 2 负荷预测和负荷预测评估2 1 2 1 负荷预测研究现状2 1 2 2 负荷预测存在问题4 1 2 3 负荷预测与负荷预测评估的关系5 1 3 负荷预测评估概念5 1 3 1 负荷预测评估定义5 1 3 2 负荷预测评估分类5 1 3 3 负荷预测评估基本数学原理j 6 1 3 4 负荷预测评估指标1 0 1 4 选题来源及内容10 1 5 本文所做的工作1 1 第2 章基于元学习的预前评估分析算法与实现12 2 1 目的和意义12 2 2 算法研究1 2 2 2 1 基于元学习的预前评估原理1 2 2 2 2 门控网络最优权重的确定14 2 2 3 元预前评估器的学习算法14 2 2 4 基于元学习的预前评估算法15 2 3 算法实现15 2 3 1 基级预前评估器的选取1 5 2 3 2 同典型曲线的选取17 2 3 3 特征属性的选取17 2 3 4 算法实现框图2 0 2 4 结果分析21 v 电力负荷预测评估分析算法研究及其应用 2 5 系统界面2 3 2 6d 、l 右2 4 第3 章负荷预测预后评估分析算法研究与实现2 5 3 1 基于虚拟预测的总调与地调负荷的关系评估分析2 5 3 1 1 目的与意义2 5 3 1 2 算法研究2 5 3 1 3 算法实现框图2 7 3 1 4 结果分析2 8 3 1 5 系统界面2 9 3 2 基于k 线图的负荷特性评估分析3 l 3 2 1 目的与意义31 3 2 2k 线图原理及在电力负荷评估中的应用3 2 3 2 3 结果分析3 4 3 3 基于概率性预测的预后评估分析3 7 3 3 1 目的和意义3 7 3 3 2 算法研究3 7 3 3 3 算法实现框图3 9 3 3 4 结果分析3 9 3 3 5 系统界面4 1 3 4 电力负荷模糊聚类分析与评估4 2 3 4 1 目的和意义4 2 3 4 2 算法研究4 2 3 4 3 算法实现框图4 5 3 4 4 结果分析4 6 3 4 5 系统界面5 5 3 5 小结5 7 第4 章基于预前和预后评估结合的组合预测算法研究5 8 4 1 预前评估和预后评估相结合的组合预测算法研究5 8 4 1 1 训练样本的选择5 8 4 1 2 元预测评估器的结构5 9 4 1 3 最优权重的确定一6 0 4 1 4 元预测评估器的学习算法的选择6 0 4 2 算法实现框图一6 l 4 3 结果分析6 2 4 3 1 训练样本6 2 v i 硕士学位论文 4 3 2 与其他算法预测精度比较一6 4 4 3 3 与基于元学习的预前评估模型比较之优势6 4 4 4 ，j 、结6 5 结论与展望6 6 参考文献6 8 附录a 攻读学位期间所发表的学术论文7 3 附录b 攻读学位期间所参加的科研项目7 4 致谢7 5 v l l 电力负荷预测评估分析算法研究及其应用 插图索引 图1 1b p 网络结构一6 图2 1 预前评估器结构l3 图2 2 门控网络结构1 3 图2 3 基于元学习的预前评估算法实现框图2 0 图2 4 基于元学习的预前评估模型与其他模型预测结果比较2 2 图2 5 基于元学习的预前评估模型应用界面2 3 图2 6 湖南统调2 0 0 7 1 0 o l 预测曲线对比2 3 图3 1 基于虚拟预测的总调与地调负荷关系评估算法实现框图2 8 图3 22 0 0 7 1o 12 总调负荷预测曲线对比一2 9 图3 3 地调负荷与省调负荷关系评估与分析界面3 0 图3 4 湖南统调2 0 0 7 1 0 1 8 的负荷预测结果3 0 图3 5 湖南统调2 0 0 7 1 0 1 8 的地调直接累加与总调负荷预测结果对比3 l 图3 6k 线图中构建量的意义一3 2 图3 7 求同平均负荷流程图一3 3 图3 8f 1k 线图界面3 4 图3 92 0 0 7 0 9 2 5k 线图信息显示3 5 图3 102 0 0 7 0 9 2 6k 线图信息显示3 5 图3 1 12 0 0 7 0 9 2 5 和2 0 0 7 0 9 2 6 实际负荷曲线对比一3 6 图3 1 2 概率性负荷预测评估算法实现框图3 9 图3 1 3 置信度为8 0 的预测曲线4 0 图3 1 4 置信度为9 5 的预测曲线4 0 图3 15 基于预后评估的概率性负荷预测分析界面4 1 图3 16 湖南统调时间为2 0 0 8 0 9 0 2 概率性负荷预测结果一4 l 图3 17 电力负荷模糊聚类分析与评估算法实现框图4 5 图3 1 8 第一类和第二类负荷曲线对比5 l 图3 1 9 第三类负荷曲线对比5 2 图3 2 0 第四类负荷曲线对比5 2 图3 2 1 第五类、第六类、第七类和第四类负荷曲线对比5 3 图3 2 2 第八类负荷曲线对比一5 4 图3 2 3 第八类、第九类和第十类负荷曲线对比5 5 图3 2 4 湖南统调时间段为2 0 0 7 0 9 一l9 到2 0 0 7 10 一l9 期i 日j 的负荷聚类结果一5 6 图3 2 5 湖南统调时间段为2 0 0 7 0 9 1 9 到2 0 0 7 1 0 1 9 期间的负荷聚类结果二5 6 图4 1 组合预测评估器结构一5 9 图4 2 组合预测评估器门控网络结构6 0 图4 3 基于预前和预后评估结合的组合预测算法实现框图6 1 图4 42 0 0 7 年7 月1 日到7 月3 0 日的曲线簇6 2 图4 5 第一类负荷曲线簇6 3 图4 6 第一类三条曲线与第二类和第三类曲线对比图6 3 图4 7 组合预测模型与预前评估模型预测结果比较6 5 硕上学位论文 1 1 课题的背景及意义 第1 章绪论 我国经济快速增长，各项建设取得了很大的成就，然而相应的也付出了巨大 的资源浪费、环境破坏的代价，经济快速增长和资源浪费及环境破坏之间的矛盾 曰趋激烈，环境污染问题也引起了群众的强烈反应。该状况与不合理的经济结构、 粗放型增长方式直接关联。如果不加快经济结构调整、增长方式转变，不但资源 支撑不住，环境容纳不下，社会承受不起，而且经济发展难以为继，可持续发展 无从谈起。只有坚持节约、清洁、安全和高效发展，才能实现经济又好又快发展， 资源利用效率更高，环境污染程度更小。同时，温室气体的排放引起全球气候变 暖，备受国际社会广泛关注。进一步加强节能减排工作，也是应对全球气候变化 之迫切需要l ij 。 根据文献【1 】可知，当前实现节能减排目标面临的形势十分严峻。2 0 0 6 年以 来，全国上下加强了节能减排工作，国务院发布了加强节能工作的决定，制定了 促进节能减排的一系列政策措施，各地区、各部门相继做出了工作部署，节能减 排工作取得了积极进展。但是，2 0 0 6 年全国没有实现年初确定的节能降耗和污 染减排的目标，加大了“十一五”后四年节能减排工作的难度。更为严峻的是， 2 0 0 6 年一季度，工业特别是高耗能、高污染行业增长过快，占全国工业能耗和 二氧化硫排放近7 0 的电力、钢铁、有色、建材、石油加工、化工等六大行业 增长2 0 6 ，同比加快6 6 个百分点。与此同时，各方面工作仍存在认识不到位、 责任不明确、措施不配套、政策不完善、投入不落实、协调不得力等问题。 电力工业的节能减排是所有行业节能减排的重点，面对如此严峻的形势，电 力行业企业在节能减排、实现低碳发展方面责无旁贷。进行节能减排背景下的电 力负荷预测方法研究具有重要的现实意义和研究价值1 2 。4 j 。精确的负荷预测模型 会产生准确的预测结果，有利于电力企业优化电力调度，提高机组发电效率，减 少温室气体和二氧化硫等污染气体的排放，因此电力企业必须加强负荷预测工 作，提高预测质量和准确性水平。 负荷预测是电力系统中的重要组成部分1 5 - 6 】。负荷预测主要是根据输入数据 建立预测模型，求得模型参数，然后进行预测。然而仅仅做到这一点是不全面的， 预测人员不仪仅应该关心预测的结果，还应了解该预测结果产生的原因以及误差 范围。 鉴于负荷预测评估分析对于建立适合某地某时段的负荷预测模型起着非常 电力负荷预测评估分析算法研究及其应用 重要的作用，可以使电力系统决策人员更好地了解其历史上预测误差的统计规 律，使其在进行生产计划、系统安全分析等工作时能够更好地认识到未来负荷可 能存在的不确定性和面临的风险因素，从而及时做出更为合理的决策。因此，对 负荷预测评估分析的系统性研究是必然的。 1 2 负荷预测和负荷预测评估 电力负荷预测评估是根据负荷预测发生的先后即预前评估和预后评估分别 进行分析，对未来负荷预测提供重要的借鉴意义。对负荷预测的充分认识是进行 负荷预测评估分析的基本前提。 1 2 1 负荷预测研究现状 负荷预测对电力系统许多部门都起着重要的作用。例如，中长期负荷预测是 电网规划、燃料计划的前提，短期负荷预测是制定发电计划的基础，超短期负荷 预测是实时安全分析的基础。 1 2 1 1 中长期负荷预测 中长期负荷预测分为长期负荷预测和中期负荷预测，其中长期负荷预测指未 来( 3 5 ) 年甚至更长时间段内的负荷预测；以年为预测时段，以用电负荷、用电 量等的年度统计数据作为预测内容，这些数据基本上是单调变化( 通常是递增 的) 、无周期性的。长期预测主要受国民经济发展情况、人口、产值单耗、产业 结构调整情况、电价政策等的影响，它是制定电力系统发展规划的基础，也是规 划工作的重要组成部分，其目的是为合理安排电源和电网的建设进度提供宏观决 策的依据，使电力建设满足国民经济增长和人民生活水平提高的需要。中期预测 是指月至年的负荷预测1 4 】。以月为预测时段，以用电负荷、用电量等的月度统计 数据作为预测内容，这些数据呈周期性增长，各个年度的12 个月具有相似的规 律，主要用于确定机组运行方式和设备大修计划等。 中长期负荷预测常用方法包括趋势外推法、回归分析法、指数平滑法、灰色 预测法、神经网络法和组合预测法等【4 ，7 川1 。 1 2 1 2 短期负荷预测 短期负荷预测是负荷预测的重要组成部分，它用于预报未来几小时、l 天至 几天的电力负荷，对于调度部门的机组运行最优组合、最优潮流、经济调度而言 具有重要意义。同时预测精度高低，直接影响发电设备的利用率和经济调度的有 效性。预测精度高，有利于提高电力设备利用率和调度的经济性。 通过大量阅读国内外许多专家学者关于短期负荷预测理论和方法研究的相 关文献，主要有以下三大思路： 2 硕上学位论文 1 单一预测模型 单一预测模型包括基于相似日的趋势外推预测法、时间序列预测法、考虑气 象因素的相关预测法和神经网络预测法等。 ( 1 ) 基于相似日的趋势外推预测法 趋势外推法是一种模型预测法。即利用某种数学模型( 如代数方程、微分方 程或差分方程等) 来表示所预测事物随时间变化的形式或客观事物之间的关系， 来计算事物未来的变化与状态，达到预测的目的。包括移动平均法、指数平滑法、 多项式拟合法和诸多单一函数的外推预测法【4 , 1 2 - 1 3 1 。 ( 2 ) 时间序列预测法 时间序列，也叫时间数列、历史复数或动态数列。负荷时间序列，是将一天 的电力负荷数据按时间先后顺序排到所形成的数列。时间序列预测法就是通过编 制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类 推或延伸，借以预测下一段时间或未来若干天可能达到的水平。 ” 时间序列模型是被认为最经典、最系统、最被广泛采用的一类短期负荷预测 方法。常用的时间序萝i j 分析模型有以下几种：自回归( a r ) 模型、动平均( m a ) 模型、a r m a 模型、累积式自回归动平均( a r i m a ) 模型1 2 l 4 1 。 ( 3 ) 考虑气象因素的相关预测法 气象因素对短期负荷影响比重占很大比例。因此建立直接考虑气象因素的短 期负荷预测方法是必要的。目前考虑气象因素的预测方法有气象校正法和回归统 计法等1 1 5 - 16 1 。 ( 4 ) 神经网络预测法 人工神经网络是通过对人脑或者生物神经系统的结构模拟来实现预测的，可 以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具 有信息记忆、自主学习、知识推理和优化计算的特点。人工神经网络的优点在于 它具有模拟多变量而不需要对输入变量作复杂的相关假定，不要求知道输入输出 变量间的函数关系，只要通过对输入输出数据的训练，获得输入输出之间的映射 关系，即可进行负荷预测。人工神经网络法被认为是一种非常有效的负荷预测技 术，在国内外已经取得了许多成功的应用实例1 1 7 - 1 9 】。 2 组合预测模型 在诸多预测活动中，因为不同的预测方法具有各自不同的特点，而f j l 考虑到 现实世界的复杂性，每一种单一预测方法往往存在局限性，表现出“时好时坏性”。 为了提高预测结果的精确性，预测人员往往对同一预测问题将多种预测方法进行 组合，形成组合预测模犁1 2 0 - 2 5 l 。组合预测就是综合利用各种单一预测模型的预 测用适当的权系数进行加权得到预测结果，其关键问题是如何筛选模型以及求出 各种预测模型的最优权系数。 电力负荷预测评估分析算法研究及】应用 1 2 1 3 超短期负荷预测 超短期负荷预测的特点是在线运行，并将获取的最新信息用于预测下一时刻 的负荷。超短期负荷预测周期短，要求预测方法的计算速度非常快。一般，要求 超短期负荷预测需实用化且具有实时性。 目前的超短期负荷预测算法有线性外推法、基于负荷预测的超短期负荷预测 法、以及基于多项式差值的超短期预测方法等【4 , 2 6 - 2 9 1 。 1 2 1 4 负荷预测新方法 在已经具有许多预测方法的情况下，众多学者仍然坚持不懈，不断探索新的 预测方法。 在短期负荷预测中，卡尔曼滤波、聚类分析和专家系统均共有成功应用 3 0 - 3 2 】。除此以外，采用小波分析、事例推理、数据挖掘、模糊集理论及混沌分 形理论等进行负荷预测的尝试1 3 3 搠1 ，取得了一定效果。 1 2 2 负荷预测存在问题 目前对于负荷预测的研究已经很多，也取得了很多研究成果，但仍旧存在一 些尚未解决的问题，总结如下： ( 1 ) 通过数学模型可以定量分析出未来负荷变化趋势，但出于负荷变化的随 机性和不确定性，预测人员是否可以通过历史负荷曲线及负荷特性变化定性而直 观的形成专家知识，对负荷预测提供有益的参考。 ( 2 ) 单一模型下的负荷预测方法虽然得到广泛应用，但是考虑到难以量化的 因素和随机因素的影响，不同的预测对象具有不同的特点，而不同的预测方法也 有各自的优点和缺点。如何更准确为预测对象选择合适的预测模型应是深入探讨 的课题。 ( 3 ) 负荷特性指标是时点指标，不同地区、不同时间的负荷特性不能简单的 叠加，导致大范围区域负荷预测的难度明显增加。总调负荷和地调负荷是按地域 划分的，属于整体与部分关系，负荷特性指标不能简单的相加，因此二者之问的 关系研究成为一大难点。 ( 4 ) 分析目前的负荷预测方法，发现大量方法的预测结果大都是确定性的， 即预测结果给出的是一组确定的负荷序列。考虑到实际情况，由于电力系统中蕴 含了各种不确定性的因素，使得决策工作必然面临一定程度的风险。因此，在决 策时，必须考虑不确定性。 ( 5 ) 在目前采用的组合预测方法中，大部分方法是将各模型的预测结果直接 进行线性或非线性组合，得到最终的组合预测结果。考虑不同模型适合不同的负 荷序列，是否存在一种确定组合预测中单一模型权重的新思路。 4 硕士学位论文 1 2 3 负荷预测与负荷预测评估的关系 电力负荷预测的实质是根据电力负荷序列、经济、社会、气象等的历史数据， 探索电力负荷历史数据变化规律对未来负荷影响，寻求电力负荷与各种相关因素 之间的内在联系，从而对未来的负荷进行科学的预测【4 】。根据负荷预测实质可知， 历史数据分析处理和预测模型甄别是负荷预测行为中最关键的两个方面。负荷预 测评估从评估分析角度，针对负荷预测的两个关键点进行负荷历史数据评估和预 测模型评估，其目的在于评估负荷预测与实际负荷发展规律的符合度，以提高负 荷预测精度，寻求负荷预测最佳方案。由此可见，负荷预测评估是提高负荷预测 准确性水平的有效思路。 1 3 负荷预测评估概念 1 3 1 负荷预测评估定义一 负荷发展的历史规律性如何，在某种程度上决定并限制了预测所能达到的最 佳效果1 4 1 。因此，不能针对任何数据均盲目地提出无限制、高精度的预测要求。 鉴于负荷预测评估在分析历史负荷规律和评估预测模型的基础上，能指导负荷预 测向预测精度高的目标发展，即，在预测未发生之前，衡量某种模型用于某种环 境的预测后所能达到的预测精度；在预测发生之后，对单一预测模型结果进行评 估，寻找适合某中环境的预测模型，或通过负荷评估，得出有益于负荷预测的定 量和定性结论；或结合二者综合考虑达到较理想的预测效果，为高要求负荷预测 精度提供有效途径。 综上，负荷预测评估是指负荷预测行为发生前后，运用科学的评估算法，以 提高负荷预测精度为目标，着眼于负荷数据规律性与预测模型独特性的关系，从 预测模型、预测结果或历史负荷等方面系统地对负荷预测与实际负荷发展规律是 否相符合而进行综合评价的过程。 1 3 2 负荷预测评估分类 根据负荷预测评估定义，论文将负荷预测评估分为预前评估和预后评估。 1 3 2 1 预前评估 负荷预测行为发生前，采用科学的评估算法，以寻求适合负荷发展规律的预 测模型为目标，对单一模型或组合预测模型进行评价的过程，称为预前评估。论 文第三章中的基于元学习的预前评估分析算法属于预前评估范畴。 1 3 2 2 预后评估 负荷预测行为发生后，采用科学的评估算法，以提高负荷预测精度为目标， 电力负衙预测评估分析算法研究及其麻用 对预测结果和实际负荷进行评价的过程，称为预后评估。 由预后评估定义可知，预后评估可分为预测结果评估和历史负荷评估。预测 结果评估是指运用负荷预测模型进行预测后，以预测结果与实际负荷间的误差评 估为依据，寻找适合负荷发展的最优预测模型。论文第四章中的基于虚拟预测的 总调负荷预测预后评估分析属于预测结果评估范畴。 历史负荷评估是指预测结束后，以实际负荷数据和预测负荷数据为基础，运 用科学合理的评估算法，为负荷预测人员提高预测准确率提供有益结论的评价过 程。论文第四章中的基于概率性预测的预后评估分析、基于k 线图的负荷特性 评估分析和电力负荷模糊聚类分析与评估均属于历史负荷评估范畴。 1 3 3 负荷预测评估基本数学原理 鉴于负荷预测与负荷预测评估追求目标的一致性，负荷预测中的基本原理， 比如优化预测模型权重的神经网络算法、遗传算法、最小二乘法、回归分析法等 可用于预前评估中；预测模型预评估中的误差分析法可用于预测结果评估中。除 此之外，数据挖掘中解决分类问题的模糊聚类分析、决策树分析、模糊分析等算 法可用于历史负荷评估中1 6 引。 下面介绍本文用到的几个负荷预测评估基本数学原理。 1 3 3 1b p 神经网络 反向传播( b a c k p r o p a g a t i o n ) 网络( b p 网络) 是最常用的神经网络模型之 一【4 们，如图1 1 所示。 图1 1b p 网络结构 b p 算法不仅有输入层节点、输出层节点，还可有1 个或多个隐含层节点。 对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出 信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取s 型函数，如式1 1 。 6 硕士学位论文 厂( x ) 2 丽1 虿 ( 1 1 ) 式中q 为式的s i g m o i d 参数。该算法的学习过调整激励函数形程由正向传 播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理， 并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得 不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修 改各层神经元的权值，使得误差信号最小。 如图1 1 ，含有n 个节点的任意网络，各节点之特性为s i g m o i d 型。为简便 起见，指定网络只有一个输出y ，任一节点i 的输出为q ，并设有个样本( x k ，儿) ( k = l ，2 ，3 ，) ，对某一输入黾，网络输出为魄节点i 的输出为嚷，节点j 的输入 为刀p = q 。并将误差函数定义为e = 寺( 儿一儿) 2 。 其中立为网络实际输出，定义乓= ( 豉一羹) 2 ，匆。= 锄a e p f k _ 且= 厂( 刀：，肚) ， 于是象。旦o n e t j k ，可o n e l 止2 盖q2 哝。 当j 为输出节点时，d 膻= 砭。 驴熹。舞=_(j，t二m。)y o k j l 若j 不是输出节点，则有 以= 薏= 毒卺专咖吆， 甄一v 一丝f l _ o n e t 一止 a o | k - mo n e t m 女8 0h 2 莓高等击；既，仇 j3 j l j ”“ 2 莓意等军2 善k 一o o 一”，一 ”巩 ”v 艿，。= 厂( n e t 以) 堕：o , k o w n m ” 7 ( 1 2 ) ( 1 3 ) ( 1 4 ) ( 1 5 ) 电力负荷预测评估分析算法研究及其应用 如果有m 层，而第m 层仅含输出节点，第一层为输入节点，则b p 算法为： 第一步，选取初始权值w 。 第二步，重复下述过程直至收敛： a